Visualisation des résultats analytiques de votre modèle: regroupements masqués, classifications de données et valeurs aberrantes - Para Dummies

La visualisation des résultats de votre analyse prédictive aide réellement les parties prenantes à comprendre les étapes suivantes. Voici quelques façons d'utiliser des techniques de visualisation pour rapporter les résultats de vos modèles aux parties prenantes.

Comment visualiser les regroupements cachés dans vos données

Le regroupement des données est le processus de découverte de groupes cachés d'éléments connexes dans vos données. Dans la plupart des cas, un cluster (groupement) est constitué d'objets de données du même type, tels que des utilisateurs de réseaux sociaux, des documents texte ou des e-mails.

Une façon de visualiser les résultats d'un modèle de clustering de données est un graphique représentant les communautés sociales (clusters) qui ont été découvertes dans des données collectées auprès d'utilisateurs de réseaux sociaux. Les données sur les clients ont été collectées sous forme de tableau. Ensuite, un algorithme de classification a été appliqué aux données, et les trois groupes (groupes) ont été découverts: clients fidèles, clients errants et clients à prix réduit.

Ici, la relation visuelle entre les trois groupes suggère déjà où les efforts de marketing améliorés pourraient faire le plus de bien.

Comment visualiser les résultats de la classification des données

Un modèle de classification attribue une classe spécifique à chaque nouveau point de données qu'il examine. Les classes spécifiques, dans ce cas, peuvent être les groupes résultant de votre travail de cluster. La sortie mise en évidence dans le graphique peut définir vos ensembles de cibles. Pour un nouveau client donné, un modèle de classification prédictif tente de prédire à quel groupe le nouveau client appartiendra.

Après avoir appliqué un algorithme de clustering et découvert des regroupements dans les données clients, vous arrivez à un moment de vérité: voici un nouveau client - vous voulez que le modèle prédise quel type de client il ou elle le sera.

Voici un exemple de la façon dont les informations d'un nouveau client sont transmises à votre modèle d'analyse prédictive, qui prédit à son tour le groupe de clients auquel ce nouveau client appartient. Les nouveaux clients A, B et C sont sur le point d'être affectés aux clusters selon le modèle de classification.

L'application du modèle de classification a permis de prédire que le client A appartiendrait aux clients fidèles, que le client B serait un voyageur, et que le client C ne se présenterait qu'à la remise.

Comment visualiser les valeurs aberrantes dans vos données

Lors de la classification ou du classement de nouveaux clients, vous rencontrez de temps en temps des valeurs aberrantes - des cas spéciaux qui ne correspondent pas aux divisions existantes.

Dans cet exemple, quelques valeurs aberrantes ne correspondent pas bien aux clusters prédéfinis. Six clients aberrants ont été détectés et visualisés. Ils se comportent assez différemment que le modèle ne peut pas dire s'ils appartiennent à l'une des catégories définies de clients. (Existe-t-il un client errant loyal qui ne s'intéresse qu'à la réduction, et si oui, votre entreprise devrait-elle s'en préoccuper?)